CN114966736B 一种基于点云数据进行目标速度预测的处理方法 （苏州轻棹科技有限公司）

城青龙港路66号领寓商务广场1幢21一种基于点云数据进行目标速度预测的处本发明实施例涉及一种基于点云数据进行相邻时刻的前后两帧激光雷达点云数据作为对得到多个第一目标检测框和多个第二目标检测克服传统点云目标检测模型不能进行速度检测2获取相邻时刻的前后两帧激光雷达点云数据作为对应的前帧点云基于点云目标检测模型分别对所述前帧、后帧点云进行点其中，各个所述第一目标检测框对应一组第一检测框参数统计所述第一检测框参数的数量记为第一数量m，并统计所述第二检测框参数的数量基于目标框索引i对各个所述第一目标框中心点坐标进行顺序编码得到对应的第一目对各个所述预测目标框中心点坐标(x,yi,zi,)与各个所述第二目标框中心点坐标由m*n个所述中心点间距si,j构建一个形状为m*n的矩阵向量记为第一矩阵向量；并将所述第一矩阵向量输入深度匈牙利网络DHN基于改进的匈牙利算法进行匹配度计算得到对个所述匹配度ai,j基于所述目标框索引i和所述目标框索引j对应一对所述第一目标检测框将同一个所述目标框索引i对应的所述第二数量n的所述匹配度ai,j归入同一个匹配度对各个所述最大匹配度bi进行判断；若当前最大匹配度bi小于预设的最小匹配度阈值amin，则确认所述当前最大匹配度bi对应的一对所述第一目标检测框和所述第二目标检测所述当前最大匹配度bi对应的一对所述第一目标检测框和所述第二目标检测框之间创建3所述点云目标检测模型包括VoxelNet模型、SECOND模型和PointPill从所述前帧点云中提取所述第一关联框内的点云作为第一点云；并从所基于迭代最近点ICP算法对所述第一、第二点云进行点云位姿配准得到对应的位姿变将所述第一点云对应的所述第一关联框上指定位置点对应的点云坐标记为第一点坐述基于迭代最近点ICP算法对所述第一、第二点云进行点云位姿配准得到对应的位姿变换步骤52，基于预设的最小距离阈值dmin确定所述当前源点云和所述当前目标点云中的f(R',t')=⃞-1I(R'pr+t'-qx)·cx]2,步骤56，对所述当前旋转矩阵R*与所述前次旋转矩阵的误差以及所述当前平移向量t*旋转矩阵误差和所述平移向量误差都满足各自的预设合理误差范围则转至步骤步骤57，对所述迭代计数器的值加1；若加1后所述迭迭代次数则转至步骤58；若加1后所述迭代计数器的值超过了所述最大迭代次数则转至步4步骤58，由所述当前旋转矩阵R*和所述当前平移向量t*构成对应的当前位姿变换矩阵步骤59，停止迭代运算并将最新的所述当前旋转矩阵R*和所述当前平移向量t*作为对点坐标(x2,c,y2,c,z2,c)和所述时间差δ对所述当前目标的三个速度分量进行估算得到对应所述处理器用于与所述存储器耦合，读取并执行所述存储器中的7.一种计算机可读存储介质，其特征在于5[0002]自动驾驶感知系统的激光雷达通过对自车周围环境的进行激光扫描可以得到对别进行目标识别，再对两帧点云上的目标识别框进行关联从而得到多对关联的目标识别6[0013]统计所述第一检测框参数的数量记为第一数量m，并统计所述第二检测框参数的[0014]基于目标框索引i对各个所述第一目标框中心点坐标进行顺序编码得到对应的第[0016]对各个所述预测目标框中心点坐标(xi,yi,z;,)与各个所述第二目标框中心[0018]由m*n个所述中心点间距si,j构建一个形状为m*n的矩阵向量记为第一矩阵向量；并将所述第一矩阵向量输入深度匈牙利网络DHN基于改进的匈牙利算法进行匹配度计算得[0019]将同一个所述目标框索引i对应的所述第二数量n的所述匹配度ai,j归入同一个匹[0020]对各个所述最大匹配度bi进行判断；若当前最大匹配度bi小于阈值amin，则确认所述当前最大匹配度bi对应的一对所述第一目标检测框和所述第二目标则在所述当前最大匹配度bi对应的一对所述第一目标检测框和所述第二目标检测框之间[0024]基于迭代最近点ICP算法对所述第一、第二点云进行点云位姿配准得到对应的位[0025]将所述第一点云对应的所述第一关联框上指定位置点对应的点云坐标记为第一7[0029]步骤52，基于预设的最小距离阈值dmin确定所述当前源点云和所述当前目标点云关联点对Gk包括一个当前源点云中的点pk和一个当前目标点云中的点qk，且所述点pk与所述点qk的距离小于或等于所述最小距离阈所述旋转矩阵误差和所述平移向量误差都满足各自的预设合理误差范围则转至步最大迭代次数则转至步骤58；若加1后所述迭代计数器的值超过了所述最大迭代次数则转[0037]步骤58，由所述当前旋转矩阵R*和所述当前平移向量t*构成对应矩阵T*，并基于所述当前位姿变换矩阵T*对所述当前源点云中各点进行骤52根据新的所述当前源点云、所述前次旋转矩阵和所述前次旋转矩阵继续进行迭代运[0038]步骤59，停止迭代运算并将最新的所述当前旋转矩阵R*和8第二点坐标(x2,c,y2,c,z2,c)和所述时间差δ对所述当前目标的三个速度分量进行估算得到联目标识别框中的点云进行配准从而得到前后时刻的位姿变换矩阵T，并基于位姿变换矩阵T对前一时刻目标识别框上的指定位置点在下一时刻的位姿进行预测，并根据该点前一传统点云目标检测模型不能进行速度检测的缺陷，还降低了感知系统对毫米波雷达的依[0046]图1为本发明实施例一提供的一种基于点云数据进行目标速度预测的处理方法示[0049]本发明实施例一提供一种基于点云数据进行目标速度预测的处理方法，如图1为[0050]步骤1，获取相邻时刻的前后两帧激光雷达点云数据作为对应的前帧点云和后帧t-1时对自车环境按设定的扫描范围进行扫描得到的激光雷达点云数据，后帧点云即是由9同一个或同一组激光雷达在时刻t时对自车环境按相同的扫描范围进行扫描得到的激光雷PointPillars模型的具体实现可以分别参考对应的技术论文《VoxelNet:End-to-EndConvolutionalDetection》、《PointPillars:FastEncodersforObjectDetection一目标检测框就是前一时刻t-1对应的前帧点云上检测出的各类目标的目标检测框，第二目标检测框就是当前时刻t对应的后帧点云上检测出的各类目标的目标检[0059]步骤32，基于目标框索引i对各个第一目标框中心点坐标进行顺序编码得到对应；时刻的位置进行预测得到对应的预测目标框中心点坐标(x,yi,z,);个目标检测框上的一点即目标框中心点进行预测；选择前一时刻t-1的第一目标框中心点[0063]例如，前帧点云中获得了4个第一目标框中心点坐标：(x1,i＝1,y1,[0064]步骤34，对各个预测目标框中心点坐标(xi,si,zi,)与各个第二目标框中心点4个预测目标框中心点坐标分别为：，，，；[0073]步骤35，由m*n个中心点间距si,j构建一个形状为m*n的矩阵向量记为第一矩算法进行匹配度计算得到对应的形状为m*n的关联索引i和目标框索引j对应一对第一目标检测[0075]这里，匈牙利算法是一种公知的用于计算匹配度的算法，深度匈牙利网络(Deep由论文实现可知关联矩阵向量A的结构与输入矩阵也就是第一矩阵向量的形状相同且呈对对应的第一目标检测框i和第二目标检测框j的[0078]步骤36，将同一个目标框索引i对应的第二数量n的匹配度ai,j归入同一个匹配度度阈值amin，则确认当前最大匹配度bi对应的一对第一目标检测框和第二目标检测框之间bi对应的一对第一目标检测框和第二目标检测框之间创建关联何匹配度ai,j低于该参考阈值就说明该匹配度ai,j对应的两个目标检测框也就是第一目标参考阈值的匹配度ai,j，本发明实施例取其中最大匹配度也就是最大匹配度bi对应的第二测框与之关联，也就是说前帧点云中第一目标检测框3的对应目标并未出现在当前时刻的括一个当前源点云中的点pk和一个当前目标点云中的点qk，且点pk与点qk的距离小于或等配点集合中的点数不为0则将当前遍历点作为一个点qk并从该匹配点集合中选出与当前遍[0099]f(R',t')=[(R'px+t'-qx)·cx]2,过变换之后得到的点(R/pk+t/)应更靠近目标点qk，二者的距离向量(R/pk+t/-qk)在qk的法解结果作为对应的当前旋转矩阵R*和当前平移向向量误差不都满足各自的预设合理误差范围则转至步骤437；若旋转矩阵误差和平移向量误差都满足各自的预设合理误差范围则转至步骤4[0106]这里，基于点到面ICP算法的迭代过程中有时候旋转矩阵误差和平移向量误差很[0107]步骤438，由当前旋转矩阵R*和当前平移向量t*构成对应的并基于当前位姿变换矩阵T*对当前源点云中各点进行位姿变换，并将变代次数时，本发明实施例会根据当前旋转矩阵R*和当前平移向量t*对当前源点云进行位姿也会将当前旋转矩阵R*和当前平移向量t*作为下一次迭代的前次旋转矩阵和前次旋转矩旋转矩阵R和平移向量t，并由旋转矩阵R和平移向量t构建对应的位姿变换矩阵T，[0110]这里，在旋转矩阵误差和平移向量误差完全收敛或迭代次数达到最大迭代次数时，本发明实施例停止本轮迭代并将最后得到的当前旋转矩阵R*和当前平移向量t*作为对标类型为车辆则将指定位置点设为第一关联框与自车距离最近的底边的中心点或第一关第二点坐标(x2,c,y2,c,z2,c)和时[0115]图2为本发明实施例二提供的一种电子设备的结构示意图。该电子设备可以为前器302中可以存储各种指令，以用于完成各种处理功能以及实现前述方法实施例描述的处[0116]在图2中提到的系统总线305可以是外设部件互连标准(PeripheralComponentInterconnect，PCI)总线或扩展工业标准结构(ExtendedIndustryStandard可能包含随机存取存储器(RandomAccessMemory，RAM)，也可能还包括非易失性存储器[0117]上述的处理器可以是通用处理器，包括中央处理器(CentralProcessingUnit，CPU)、网络处理器(NetworkProcessor，NP)、图形处理器(GraphicsProcessingUnit，GPU)等；还可以是数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field点云上的目标识别框进行关联从而得